La ciencia de la modelización hidrológica ha evolucionado continuamente bajo la influencia de los rápidos avances en tecnologías de software y hardware. Comenzando desde fórmulas racionales simples para estimar el caudal máximo y desarrollándose en modelos predictivos univariantes sofisticados, la conversión precisa de la lluvia en escorrentía y la evaluación de la incertidumbre inherente ha sido un enfoque principal para los investigadores. Por lo tanto, los métodos alternativos basados en datos han ganado una atención generalizada en hidrología. Además, los científicos a menudo combinan modelos de aprendizaje automático convencionales con técnicas de preprocesamiento de datos, es decir, transformación wavelet (WT), para mejorar la precisión de la modelización. En este contexto, este trabajo de investigación intenta explorar la conexión latente entre la lluvia y la escorrentía en la región de Pothohar en Pakistán desarrollando un nuevo vínculo de cinco técnicas de aprendizaje automático, incluyendo árbol de decisión simple (SDT), bosque de árboles de decisión (DTF), aumento de árboles (TB), perceptrón multicapa (MLP) y modelización de expresión génica (GEP), con una variante más sofisticada de WT, es decir, transformación wavelet discreta de superposición máxima (MODWT), para la corrección de límites de los componentes transformados de los datos de series temporales. Este estudio también implementa estos modelos de aprendizaje automático en modo independiente para un análisis comparativo más completo de las performances. Además, el estudio utiliza un enfoque de cuenca combinada que divide la región de Pothohar en dos cuencas para compensar la compleja división topográfica del área de estudio. Los resultados indican que el DTF basado en MODWT superó a otros modelos independientes e híbridos en términos de precisión de modelización. En el primer escenario, considerando la cuenca del río Bunha-Kahan, el MODWT-DTF produjo el NSE más alto (0.86) y el RMSE más bajo (220.45 mm) y R2 (0.92 en el orden de retardo 3 (Lo3)) cuando se transformó con daubechies4 (db4) en el nivel tres. Mientras que en la cuenca del río Soan-Haro, el MODWT-DTF produjo la mayor precisión de modelización en el orden de retardo 4 (Lo4) (NSE = 0.88, RMSE = 21.72 m/s, y R2 = 0.91). El rendimiento altamente preciso de los modelos con retraso de 3 y 4 días refleja la consistencia temporal en la respuesta hidrológica del área de estudio. La comparación del rendimiento de modelos simples e híbridos indica un aumento de hasta el 55% en la precisión de modelización debido al preprocesamiento de datos con transformación wavelet.